在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度.为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型(features　extracted　from　auto-encoder　based　echo　state　network,　FEAE-ESN).传统回声状态网络(echo　state　network,　ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性.为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取.通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度.所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性.